XiaoMi-AI文件搜索系统
World File Search System鲁棒性
模拟CNN前部的主要视觉皮层可改善对图像扰动的鲁棒性
当前的最新对象识别模型主要基于会议神经网络（CNN）架构，这些架构是受灵长类动物视觉系统的启发。然而，这些CNN可以被严重的小型，明确的精心制作的扰动而愚弄，并难以识别被人类易于认可的损坏的图像中的物体。在这里，通过与灵长类神经数据进行比较，我们首先观察到具有神经隐藏层的CNN模型更好地匹配灵长类动物的一级视觉皮层（V1），也对广告症的攻击也更为强大。受到这一观察的启发，我们开发了Vonenets，这是一种新的混合CNN视觉模型。每个vonenet都包含一个固定的权重神经网络前端，该vonnet模拟灵长类动物V1，称为VoneBlock，然后是由当前CNN视觉模型改编的神经网络后端。voneBlock基于V1的经典神经科学模型：线性 - 非线性 - 偏见模型，由生物学上约束的Gabor滤波器库组成，简单且可构成细胞的非线性和V1 Neuronal neuronal neuronal stochasticity生成器。训练后，Vonenets保留了较高的ImageNet性能，但每种表现都更高，在由白色盒子对抗性攻击和常见的图像腐败组成的扰动的基准上，分别超过了CNN和最先进的方法，分别超过了18％和3％的基本方法。最后，我们证明了VoneBlock在协同作用中的所有组成部分都可以提高鲁棒性。虽然当前的CNN体系结构可以说是受到脑部启发的，但此处介绍的结果表明，更精确地模仿灵长类动物视觉系统的一个阶段会导致Imagenet级计算机视觉应用中的新增长。
脑转移分割网络，训练有鲁棒性，对带有多个假阴性的注释
深度学习已被证明是医学图像分析的重要工具。但是，需要准确标记的输入数据，通常需要专家的时间和劳动密集型注释，这是对深度学习使用的主要限制。解决这一挑战的一种解决方案是允许使用粗或嘈杂的标签，这可以允许图像的更有效，可扩展的标签。在这项工作中，我们根据熵正则化开发了偏斜的损失函数，该熵正规化假定目标注释中存在非平凡的假阴性率。从经过精心注释的脑转移病变数据集开始，我们通过（1）随机审查带注释的病变，并系统地审查最小的病变，从而用假阴性模拟数据。后者更好的模型真正的医师错误，因为较小的病变比较大的病变更难注意到。即使模拟的假阴性率高达50％，将我们的损失函数应用于随机审查数据的最大敏感性在基线的97％（未经审查的培训数据）下保留，而标准损失函数仅为10％。对于基于尺寸的审查制度，绩效从当前标准的17％恢复为88％，而我们的自举损失损失。我们的工作将与图像标记过程的更有效的缩放相同，并与其他方法并行，以创建更多效果的用户界面和注释工具。关键字：脑转移，细分，深度学习，假阴性，嘈杂标签
采样的对抗性鲁棒性
随机抽样是现代算法，统计和Ma-Chine学习中的基本原始性，用作获取数据的较小但“代表性”子集的通用方法。在这项工作中，我们研究了在流式设置中对自适应对手攻击的鲁棒性：对手将宇宙U的一系列元素传递到采样算法（例如Bernoulli采样或储层采样），并以“构成非常无用的”效果'nesprestation's repressented'nesperate'nesprestanter''对手是完全自适应的，因为它知道沿流的任何给定点的样本的确切内容，并且可以以在线方式选择下一个相应地发送的元素。静态设置中的众所周知的结果表明，如果提前选择完整的流（非适应性），则大小ω（d /ε2）的随机样本是具有良好概率的完整数据的εApproximation，其中D是d是基础设置系统的VC-dimension（u，r）。此样本量屈服于适应性对手的鲁棒性？简单的答案是负面的：我们演示了一个设定的系统，其中恒定样本大小（对应于1个的VC维度为1）在静态设置中，但是自适应对手可以使用简单的和易于实现的攻击。但是，此攻击是“仅理论上的”，要求设定的系统大小至（本质上）在流长中指数。这几乎与攻击施加的约束相匹配。这不是一个巧合：我们表明，为了使采样算法与自适应对手进行鲁棒性，所需的修改仅是在样本大小中替换VC差异项D中的VC差异项D，并用基数期限log | r |替换。 。也就是说，具有样本尺寸ω（log | r | /ε2）的Bernoulli和储层采样算法，即使在存在自适应对手的情况下，也有良好的可能性输出流的代表性样本。